Departamento de Informática
Bacharelado em Ciência da Computação
Trabalho Acadêmico
ALGORITMO COMPUTACIONAL PARA VOLUMETRIA DE ESTRUTURAS CEREBRAIS EM IMAGENS MÉDICAS
VINÍCIUS VIEIRA GOMES
PELOTAS 2007
VINÍCIUS VIEIRA GOMES
ALGORITMO COMPUTACIONAL PARA VIOLUMETRIA DE ESTRUTURAS CEREBRAIS EM IMAGENS MÉDICAS
PELOTAS 2007
Trabalho acadêmico apresentado ao Curso de Bacharelado em Ciência da Computação da Universidade Federal de Pelotas, como requisito parcial à obtenção do título de Bacharel em Ciência da Computação.
Dados de catalogação na fonte: Ubirajara Buddin Cruz – CRB-10/901 Biblioteca de Ciência & Tecnologia - UFPel
G633a Gomes, Vinícius Vieira
Algoritmo computacional para volumetria de estruturas cerebrais em imagens médicas / Vinícius Vieira Gomes ; orientador Lucas Ferrari de Oliveira. – Pelotas, 2007. – 92f. : fig. - Monografia (Conclusão de curso). Curso de Bacharelado em Ciência da Computação. Departamento de Informática. Instituto de Física e Matemática. Universidade Federal de Pelotas. Pelotas, 2007.
1.Informática. 2.Processamento de imagens.
3.Computação gráfica. 4.Neuropatologias. 5.Volumetria de estruturas cerebrais. I.Oliveira, Lucas Ferrari de. II.Título.
Agradecimentos
Agradeço a Deus, minha mãe e todo restante da minha família por terem me ajudado a chegar até aqui. Obrigado pelo amor de cada um de vocês.
Agradeço ao professor Lucas pela orientação, pela paciência, pelos ensinamentos e, principalmente, por me abrir as portas da área científica.
Agradeço aos colegas de grupo de pesquisa Rodrigo e Bruno pela troca de experiências, pelo compartilhamento de conhecimento, pelas conversas boas às dez horas no Praça XV e pelas caronas pro campus.
Agradeço aos colegas Mateus, Barros e Mesquita pela amizade e companheirismo durante este importante período de nossas vidas. Sempre vamos lembrar dos estudos de PC1, de Floripa, dos trabalhos de CG, dos cicomp hits, do Eloí e da Mara.
Agradeço à Roberta, por me acompanhar e me apoiar nesses momentos difíceis de final de TCC, sempre com muito carinho e alegria.
Agradeço aos professores da UFPel pelo serviço a mim prestado ao longo destes quatro anos e meio, em especial aos Professores Gil, Colvara e Bardo, pelo grande exemplo de didática e conhecimento que deram dentro de sala de aula.
Ao vencedor, as batatas.
7
Resumo
GOMES, Vinícius Vieira. Algoritmo Computacional para Volumetria de
Estruturas Cerebrais em Imagens Médicas. 2007. 94f. Monografia (Bacharelado
em Ciência da Computação). Universidade Federal de Pelotas, Pelotas.
Neuropatologias relacionadas com a variação de volume de estruturas cerebrais, como a epilepsia do lobo temporal e a doença de Alzheimer, atingem milhões de pessoas no mundo. A avaliação das estruturas cerebrais a partir de imagens de exames de ressonância magnética é hoje a forma mais comum de diagnóstico. Contudo, a análise visual dos especialistas representa uma avaliação somente qualitativa, o que pode não garantir a precisão do diagnóstico em determinados casos. A partir do uso de técnicas de processamento de imagens para a avaliação volumétrica das estruturas cerebrais, é possível aliar uma medida quantitativa à avaliação visual do especialista, aumentando a precisão do diagnóstico. Este trabalho apresenta o desenvolvimento de um algoritmo computacional para a avaliação volumétrica de estruturas cerebrais em imagens de ressonância magnética, utilizando segmentação manual de regiões de interesse para os três eixos de orientação do exame.
Palavras-chave: Processamento de Imagens. Computação Gráfica. Neuropatologias. Volumetria de estruturas cerebrais.
Abstract
GOMES, Vinícius Vieira. Algoritmo Computacional para Volumetria de
Estruturas Cerebrais em Imagens Médicas. 2007. 94f. Monografia
(Bacharelado em Ciência da Computação). Universidade Federal de Pelotas, Pelotas.
Neurologic diseases related to the cerebral structures volume variation, as the temporal lobe epilepsy and the Alzheimer disease, reach millions of people in the world. The evaluation of the cerebral structures from images of magnetic resonance is today the most common form of diagnosis. However, the specialist visual analysis represents only a qualitative evaluation that can not guarantee the diagnosis precision in many cases. By using image processing techniques for the cerebral structures volumetric evaluation, it is possible to join a quantitative measure to the specialist visual evaluation, increasing the diagnosis precision. This work presents the development of a computational algorithm for the cerebral structures volumetric evaluation in magnetic resonance images, using manual segmentation of regions of interest for the three orientation planes of the examination.
Keywords: Image Processing. Computer Graphics. Neurologic diseases. Cerebral structures volumetry.
Lista de Figuras
Figura 1 – Comparação entre imagens de TC e RM... 17
Figura 2 – O cérebro humano divido por seus lobos... 22
Figura 3 – Amígdala e hipocampo... 22
Figura 4 – Localização aproximada dos hipocampos no cérebro humano... 26
Figura 5 – Volume supratentorial ... 27
Figura 6 – Digitalização de imagem ... 30
Figura 7 – Caracterização de um voxel em uma imagem tridimensional ... 31
Figura 8 – Diferentes amostragens de uma imagem digital ... 32
Figura 9 – Diferentes quantizações de uma imagem digital... 32
Figura 10 – Exemplo de uma imagem e seu respectivo histograma. ... 33
Figura 11 – Exemplo de limiarização para extração de fundo... 35
Figura 12 – Comportamento do operador de derivação local ... 36
Figura 13 – Exemplo de segmentação por detecção de bordas ... 37
Figura 14 – Imagem de RM nos três eixos de orientação ... 44
Figura 15 – Imagem de SPECT nos três eixos de orientação... 45
Figura 16 – O ambiente de desenvolvimento do FLUID... 57
Figura 17 – Exemplo da segmentação de uma região de interesse... 60
Figura 18 – Funcionamento do algoritmo na fase de segmentação... 62
Figura 19 – Funcionamento do algoritmo na fase de cálculo de volumes... 63
Figura 20 – O papel de cada biblioteca na implementação do software ... 64
Figura 21 – Visão geral da arquitetura de aplicação do software... 65
Figura 22 – Design de classes do módulo file... 68
Figura 23 – Tipos de traçados da classe vtkImageTracerWidget... 71
Figura 24 – Pipeline de execução para o procedimento de segmentação ... 72
Figura 25 – Diagrama de classes do módulo model ... 73
Figura 26 – Diagrama de classes do ponto de vista da classe Controller ... 74
Figura 27 – Diagrama de classes do ponto de vista da classe View... 75
Figura 28 – Janela principal da ferramenta e o menu “arquivo” selecionado ... 76
Figura 29 – Janela do navegador de pastas ... 76
Figura 31 – Caixa de seleção de estruturas... 77
Figura 32 – Modo de interação de câmera na imagem ... 78
Figura 33 – Modo de interação de marcação de regiões de interesse... 78
Figura 34 – Exemplo da segmentação de uma estrutura qualquer... 79
Figura 35 – Janela de resultados ... 79
Figura 36 – Três cubos anexados à imagem ... 82
Lista de Tabelas
Tabela 1 – Volumes de estruturas cerebrais em porcentagem do volume supratentorial para 69 pacientes, 34 do sexo feminino e 35 do sexo masculino, com idades variando de 18 a 69 anos ...28 Tabela 2 – A verificação das dimensões de cada imagem (em número de voxels) lidas pela ferramenta desenvolvida através da comparação com os valores lidos com o programa XMedCon...83 Tabela 3 – O volume do voxel, em mm³, de cada imagem obtido através do programa XMedCon...83 Tabela 4 – Volumes absolutos dos cubos para o Paciente 1... 83 Tabela 5 – Volumes normalizados dos cubos (em % do cubo de aresta de 100 voxels) para o Paciente 1... 84 Tabela 6 – Razões entre os volumes absolutos dos cubos para o Paciente 1 .... 84 Tabela 7 – Volumes absolutos dos cubos para o Paciente 2... 84 Tabela 8 – Volumes normalizados dos cubos (em % do cubo de aresta de 100 voxels) para o Paciente 2... 84 Tabela 9 – Razões entre os volumes absolutos dos cubos para o Paciente 2 .... 85 Tabela 10 – Volumes absolutos dos cubos para o Paciente 3... 85 Tabela 11 – Volumes normalizados dos cubos (em % do cubo de aresta de 100 voxels) para o Paciente 3... 85 Tabela 12 – Razões entre os volumes absolutos dos cubos para o Paciente 3 .. 85 Tabela 13 – Volumes absolutos dos cubos para o Paciente 4... 86 Tabela 14 – Volumes normalizados dos cubos (em % do cubo de aresta de 100 voxels) para o Paciente 4... 86 Tabela 15 – Razões entre os volumes absolutos dos cubos para o Paciente 4 .. 86 Tabela 16 – Volumes absolutos dos cubos para o Paciente 5... 86 Tabela 17 – Volumes normalizados dos cubos (em % do cubo de aresta de 100 voxels) para o Paciente 5... 87 Tabela 18 – Razões entre os volumes absolutos dos cubos para o Paciente 5... 87
Lista de abreviaturas e siglas
2D – Duas dimensões, bidimensional3D – Três dimensões, tridimensional
CCIFM – Centro de Ciência das Imagens e Física Médica DICOM – Digital Imaging and Communications in Medicine ELT – Epilepsia do lobo temporal
FLTK – Fast Light Toolkit
FLUID – Fast Light User-Interface Designer
HC-FMRP – Faculdade de Medicina de Ribeirão Preto da Universidade de São Paulo
ITK – Insight Toolkit
MVC – Model View Controller
PET – Positron Emission Tomography RM – Ressonância Magnética
SPECT – Single Photon Emission Computed Tomography TC – Tomografia Computadorizada
Sumário
1 Introdução ... 16 1.1 Motivação... 18 1.2 Objetivos ... 18 1.3 Organização do Trabalho... 19 2 Neuropatologias ... 212.1 Epilepsia do Lobo Temporal... 23
2.2 Doença de Alzheimer ... 23
2.3 Outras Neuropatologias... 24
2.4 Diagnóstico de Neuropatologias... 25
2.5 Normalização dos Volumes das Estruturas... 26
3 Processamento Digital de Imagens... 29
3.1 Imagem Digital ... 29
3.2 Segmentação de Imagens... 33
3.2.1 Limiarização (Thresholding) ... 34
3.2.2 Segmentação baseada em bordas... 35
3.2.3 Segmentação baseada em regiões... 37
3.2.3.1 Crescimento de Região (region growing) ... 37
3.2.3.2 Divisão e fusão (slipt and merge) ... 38
3.3 Processamento de Imagens Médicas ... 39
4 Volumetria de Estruturas Cerebrais em Neuroimagem ... 41
4.1 Neuroimagem... 41
4.1.1 Imagens Anatômicas... 42
4.1.1.1 Tomografia Computadorizada (TC)... 42
4.1.1.2 Ressonância Magnética (RM) ... 43
4.1.2 Imagens Funcionais ... 44
4.2.1 Analyze... 46
4.2.2 DICOM ... 47
4.3 Volumetria ... 48
4.3.1 Indicações da Volumetria ... 48
4.3.2 Métodos de Volumetria... 49
4.3.2.1 Segmentação Automática de Estruturas Cerebrais... 49
4.3.2.2 Segmentação Manual de Estruturas Cerebrais... 50
4.3.2.3 Cálculo do Volume das Estruturas ... 50
5 Ferramenta Desenvolvida ... 53
5.1 Equipamento e Sistema Operacional ... 53
5.2 Base de imagens utilizada... 53
5.3 Linguagem de Desenvolvimento ... 54
5.4 Bibliotecas Gráficas... 54
5.4.1 Visualization Toolkit (VTK) ... 55
5.4.2 Insight Toolkit (ITK) ... 55
5.4.3 Fast Light Toolkit (FLTK)... 56
5.5 Compilação ... 57 5.6 Algoritmo de Volumetria ... 57 5.6.1 Segmentação de estruturas ... 58 5.6.2 Cálculo de volumes ... 60 5.7 Implementação... 63 5.7.1 Model... 65 5.7.1.1 Módulo file ... 66 5.7.1.2 Classe Model... 68 5.7.1.3 Classe BrainElement ... 69 5.7.1.4 Classe RoiTracer... 70 5.7.2 Controller... 73 5.7.3 View... 74 6 Resultados ... 80 6.1 Metodologia de validação... 80 6.2 Resultados obtidos... 82
6.3 Análise dos resultados ... 85
7 Conclusões... 87
7.1 Trabalhos futuros ... 88
1 Introdução
A epilepsia do lobo temporal (ELT) e a doença de Alzheimer são doenças que atingem milhões de pessoas no mundo inteiro. Tratam-se de duas das principais neuropatologias relacionadas com a variação de volume de estruturas cerebrais e podem ser diagnosticadas em vida através de exames de ressonância magnética (RM).
O hipocampo, uma estrutura complexa do lobo temporal, trata-se do principal foco da ELT, sendo também afetado em estágios iniciais da doença de Alzheimer. Além disso, estudos mostram o envolvimento da amígdala e outras estruturas cerebrais não só com estas doenças, mas também com neuropatologias como a esquizofrenia e o mal de Parkinson (ANDREONE et al., 2005; GHAEMI et al., 2002);
Devido ao fato de serem estruturas visíveis por imagens anatômicas, sua análise volumétrica pode ser realizada através de técnicas de processamento digital de imagens, a fim de auxiliar o na precisão diagnóstica através de medidas quantitativas (ARAUJO JR., 2003).
Embora a precisão do diagnóstico qualitativo de doenças como a epilepsia e a doença de Alzheimer seja razoavelmente alto (70% a 90%), ainda permanecem dificuldades na avaliação qualitativa, como por exemplo, a diferenciação precoce da doença de Alzheimer em relação às mudanças cognitivas encontradas em um envelhecimento normal (RODRIGUES, 2002).
Sem um método quantitativo de volumetria de estruturas cerebrais, o médico especialista é obrigado a realizar uma análise apenas visual das imagens
obtidas em exames de RM, o que pode não garantir a precisão do diagnóstico em determinados casos.
O processamento digital de imagens é uma área que, cada vez mais, vem sendo utilizada como instrumento de auxílio à medicina, tanto na melhora qualitativa de imagens, quanto em medidas de quantificação (GONZALEZ; WOODS, 2002), no intuito de aumentar a qualidade e a precisão do diagnóstico e das decisões terapêuticas.
A alta definição espacial e o alto contraste das imagens de RM, se comparadas a imagens oriundas de outros exames, como a tomografia computadorizada (TC), a tornam a categoria de imagens médicas anatômicas mais adequada à medida quantitativa dos volumes das estruturas cerebrais, como pode ser observado na Fig. 1.
Figura 1 – Comparação entre imagens de TC e RM a) Imagem de TC; b) imagem de RM.
Neste trabalho, foi desenvolvida uma ferramenta que permita a avaliação volumétrica de estruturas cerebrais de imagens de RM a fim de auxiliar os especialistas na identificação e avaliação terapêutica e pré-operatória de neuropatologias relacionadas à variação de volume das estruturas, bem como ser útil para a utilização em pesquisas que necessitem de avaliação volumétrica de estruturas a partir de imagens de RM. A aquisição das imagens cerebrais de RM foi realizada com a colaboração pelo Centro de Ciência das Imagens e Física Médica (CCIFM) da Faculdade de Medicina de Ribeirão Preto da Universidade de São Paulo (HC-FMRP).
1.1 Motivação
Embora existam ferramentas genéricas de processamento de imagens aplicáveis ao procedimento de volumetria de estruturas cerebrais, fatores como limitações relacionadas à particularidade de cada serviço, a falta de praticidade e o custo associado no caso de ferramentas comerciais levam os centros de avaliação neurológica a optarem por ferramentas localmente desenvolvidas, de acordo com suas demandas.
Existem também ferramentas livres capazes de ler arquivos de imagens médicas e realizar o procedimento de volumetria, porém, existe uma grande variedade de métodos empregados por estas ferramentas que nem sempre são os mais adequados às necessidades médicas, como a segmentação manual, a normalização de volumes e a razão entre volumes.
Através do desenvolvimento de uma solução que implemente o procedimento de volumetria de estruturas cerebrais que atenda aos principais requisitos de eficiência clínica, este trabalho busca o avanço na precisão e agilidade do processo de diagnóstico de neuropatologias relacionadas com a variação de volume das estruturas cerebrais.
Além disso, através da distribuição de uma ferramenta gratuita e de código aberto, será possível a utilização do algoritmo desenvolvido em pesquisas que necessitem de procedimentos de volumetria de estruturas a partir de imagens de RM, sem nenhum custo associado.
1.2 Objetivos
Este trabalho teve como objetivo principal o desenvolvimento de um algoritmo computacional para volumetria de estruturas cerebrais em imagens médicas de RM, para o auxílio ao diagnóstico de neuropatologias relacionadas à variação de volume das estruturas.
Buscou-se que o algoritmo fosse capaz de calcular o volume absoluto e normalizado das estruturas, além de calcular a razão entre seus volumes, através de segmentação manual de regiões de interesse, nos três eixos de orientação do exame.
Além disso, o trabalho também visou a construção de um software que implementasse todos os recursos necessários para a utilização do algoritmo desenvolvido, o que incluiu as seguintes tarefas:
• Construção de uma interface gráfica com usuário de simples utilização;
• Leitura e visualização de imagens nos formatos de imagens médicas Analyze e DICOM (Digital Imaging and Communications in Medicine); • Navegação e visualização das imagens nos três cortes de orientação
(coronal, axial e sagital), dispostos lado a lado, cada corte em uma área de visualização diferente;
• Marcação de regiões de interesse via mouse nas imagens, nos três cortes de orientação (coronal, axial e sagital) visualizados lado a lado, cada corte em uma área de visualização diferente;
• Amostragem dos resultados do processamento do algoritmo de volumetria.
1.3 Organização do Trabalho
Este trabalho se divide em sete capítulos que apresentam os conceitos e as técnicas utilizadas durante o seu desenvolvimento, seguido da descrição do produto final.
No segundo capítulo é feita uma introdução sobre neuropatologias, apresentando uma visão geral sobre as estruturas cerebrais e as principais neuropatologias relacionadas à variação de volume dessas estruturas.
O terceiro capítulo apresenta as técnicas de processamento digital de imagens utilizadas para a construção do algoritmo proposto, incluindo os fundamentos básicos de imagem digital, segmentação de imagens e o processamento de imagens médicas.
O capítulo quatro, por sua vez, aborda a volumetria de estruturas cerebrais em neuroimagens, mostrando as principais características e métodos de neuroimagem e as técnicas de volumetria, que incluem os métodos baseados em segmentação automática e manual de estruturas.
No quinto capítulo é apresentada a ferramenta desenvolvida, bem como os materiais e métodos utilizados, a descrição completa do algoritmo de
volumetria e sua implementação através do software desenvolvido.
Os resultados obtidos com o desenvolvimento do trabalho e a metodologia de validação são descritos no sexto capítulo.
Por fim, no capítulo sete, são apresentadas as conclusões e os trabalhos futuros.
2 Neuropatologias
Existe um grande número de neuropatologias relacionadas à variação de volume de determinadas estruturas cerebrais, que podem ser observadas em vida através do diagnóstico por imagens anatômicas.
O lobo temporal, por exemplo, é uma região cerebral, conhecida por ser uma das estruturas com maior envolvimento no foco de neuropatologias. Trata-se de uma região não homogênea, pois consiste de uma série de estruturas diferentes que podem ser distinguidas baseando-se em padrões histológicos e suas conectividades com outras regiões (PRUESSNER et al., 2002). Dentre as suas estruturas internas, as mais comumente relacionadas a neuropatologias são o hipocampo e a amígdala.
No entanto, além das estruturas destacadas, é possível ainda citar algumas outras, como o córtex cerebral, ventrículos cerebrais, corno, polo,
putamen, opercula, a massa branca e a massa cinzenta cerebral, como mostram
diversos estudos recentes relacionados a neuropatologias (ANDREONE et al., 2005; BRENNEIS et al., 2004; ELIEZ, 2000; GHAEMI et al., 2002; OLIVEIRA, M., 2002; PRUESSNER et al., 2002). Na Fig. 2, a divisão da anatomia cerebral por seus lobos. Já na Fig. 3, a localização do hipocampo e da amígdala em um dos hemisférios cerebrais.
A forma mais comum de manifestação das neuropatologias relacionadas à variação de volume das estruturas cerebrais é através do processo de atrofia, que é definido pela diminuição no tamanho de uma célula, tecido, órgão ou múltiplos órgãos, associada com uma variedade de condições patológicas, como alterações celulares anormais, falta de circulação sanguínea no local, desnutrição ou alterações hormonais (SPPC, 2007).
Figura 2 – O cérebro humano divido por seus lobos
Em azul, o lobo frontal; em amarelo, o lobo pariental; em verde, o lobo temporal; em verde, o lobo occipital.
Fonte: <http://en.wikipedia.org/wiki/Brain>
Figura 3 – Amígdala e hipocampo
Localização aproximada do hipocampo e da amígdala em um dos hemisférios cerebrais
Fonte: <http://cti.itc.virginia.edu/~psyc220>
Dentre as neuropatologias mais comumente encontradas em pacientes nos centros de avaliação neurológicas podem ser destacadas a epilepsia do lobo temporal (ELT) e a doença de Alzheimer (ARAUJO JR., 2003; AZEVEDO-MARQUES et al., 2003), além de outras, como a esquizofrenia, o mal de Parkinson, a paralisia cerebral progressiva, a síndrome velocardiofacial e a atrofia múltipla do sistema, que são abordadas em diversos estudos atuais (ANDREONE
et al., 2005; BRENNEIS et al., 2004; ELIEZ et al., 2000; GHAEMI et al., 2002).
2.1 Epilepsia do Lobo Temporal
A epilepsia é a neuropatologia que representa a mais predominante desordem neurológica crônica (WEBB et al., 1999). Além disso, estima-se que no mundo aproximadamente 50 milhões de pessoas sofram da doença e que somente de 25% a 45% destas, após 12 meses de tratamento, se vêem completamente livres de crises (SAKAMOTO, 2002).
Originada a partir de padrões anormais de descargas elétricas na massa cinzenta, a epilepsia trata-se de um conjunto de doenças crônicas que, de acordo com Araujo Jr. (2003), “são caracterizadas por crises espontâneas ou paroxísticas, derivadas de processos conhecidos por hipersincronia da atividade elétrica cerebral focal ou generalizada”. No entanto, ainda segundo Araújo Jr. (2003), a epilepsia focal corresponde a aproximadamente 60% dos casos, sendo a epilepsia do lobo temporal (ELT) sua forma mais comum.
O principal aspecto estrutural da ELT é a atrofia do lobo temporal. Além disso, estudos têm demonstrado que a ELT é uma condição progressiva, onde crises recorrentes estão associadas à perda neuronal progressiva focada, sobretudo, no hipocampo (ARAUJO JR, 2003; GUEDES; GALVIS-ALONSO; LEITE, 2006).
O estudo de Guedes, Galvis-Alonso e Leite (2006), mostra que uma das características neuropatológicas mais importantes na ELT é a morte neuronal seletiva no hipocampo, o qual pode ser dividido em diferentes sub-regiões. A análise da atrofia em cada região do hipocampo serve não só para diferenciar a ELT de outras neuropatologias com foco nesta estrutura, mas também para determinar características estruturais mais detalhadas da doença.
2.2 Doença de Alzheimer
Existem, atualmente, em todo o mundo entre 17 e 25 milhões de pessoas com a doença de Alzheimer, o que representa 70% do conjunto das doenças que afetam a população geriátrica. É uma doença terminal e progressiva, que causa a deterioração do sistema imunológico. Assim, a doença de Alzheimer é a terceira
causa de morte nos países desenvolvidos, perdendo apenas para as doenças cardiovasculares e para o câncer. (SPPC, 2007).
A perda de memória é geralmente a primeira e mais proeminente manifestação de aspecto clínico da doença de Alzheimer. Já a sua primeira e mais severa manifestação de aspecto patológico é encontrada no lobo temporal mesial (MIZUNO et al., 2000).
Assim como na ELT, a atrofia do lobo temporal é um indício claro da doença de Alzheimer. Além disso, seis em cada dez casos da doença estão associados com o aumento de risco do paciente apresentar epilepsia (OLIVEIRA, M., 2002; VAN DE POL, et al., 2005).
Segundo o estudo realizado por Mizuno et al. (2000), é possível afirmar que o aumento na severidade da doença de Alzheimer é diretamente proporcional à diminuição no volume do lobo temporal mesial. Além disso, fica claro que, nos estágios iniciais da doença, há uma pequena, mas visível, diminuição no volume da amígdala enquanto o volume do hipocampo permanece estável.
2.3 Outras Neuropatologias
A atrofia de estruturas cerebrais importantes, como o hipocampo e a amígdala, é um fator determinante também em outras doenças neurológicas, como os quadros demenciais associados ao alcoolismo, demências vasculares (ARAUJO JR., 2003) e doenças degenerativas (MIZUNO, 2000).
O mal de Parkinson é uma doença progressiva e degenerativa. Segundo Ghaemi et al. (2002), há uma extensiva perda neuronal na região do putamem em portadores da doença. No entanto, essa característica também é significativa na atrofia múltipla do sistema, dificultando a identificação da neuropatologia correta. Contudo, o trabalho de Ghaemi et al. (2002), mostrou que essas neuropatologias podem ser devidamente diferenciadas através da análise volumétrica da região cerebral conhecida por striatum.
Na paralisia cerebral progressiva, doença que causa sérios prejuízos neuro-pscicológicos em seus portadores, a primeira característica morfológica a ser observada é a atrofia do lobo temporal. Porém, o trabalho de Brenneis et al. (2004), apresenta em detalhes as áreas atacadas por esta doença, sobretudo em relação ao córtex cerebral, incluindo perdas volumétricas no seu giro frontal
médio. O mesmo trabalho mostra ainda, através da análise da massa branca cerebral nos pacientes da doença, uma redução volumétrica nas porções temporal frontal e meso-encefálica dessa estrutura.
A síndrome velocardiofacial é uma condição genética freqüentemente acompanhada de declínio cognitivo. Crianças e adolescentes portadores da doença possuem grande risco de desenvolverem sérias desordens neuropsiquiátricas na idade adulta, particularmente, a esquizofrenia (ELIEZ et al., 2000).
No trabalho de Eliez et al. (2000) sobre a síndrome velocardiofacial, foi possível observar que os portadores da doença apresentaram um volume cerebral total em média 11% menor do que pacientes normais. A massa branca cerebral, no entanto, apresentou uma redução média de 16,3%, enquanto que na massa cinzenta, a redução volumétrica média foi de aproximadamente 7,5%.
Apesar de a maioria das neuropatologias relacionadas à variação de volume das estruturas estar diretamente ligada a processos atróficos, o estudo sobre esquizofrenia apresentado por Andreone et al. (2005), mostrou que os pacientes portadores da doença apresentaram volume intracraniano e volume cerebral significativamente maiores do que os dos pacientes saudáveis. Por outro lado, o estudo de Andreone et al. (2005) também mostrou que, nos pacientes esquizofrênicos, a região do quarto ventrículo cerebral apresentava-se com menores volumes se comparados à população normal.
Além das neuropatologias citadas, ainda existem estudos sobre a relação entre o volume das estruturas cerebrais e diversas doenças neurológicas. Variações de volume da amígdala, por exemplo, isoladamente tem sido discretas em estudos sobre tumores no lobo temporal. (BOWER et al., 2003).
2.4 Diagnóstico de Neuropatologias
A detecção e a avaliação clínica de neuropatologias é feita principalmente através da análise de exames representados graficamente, como os exames de RM e TC. A análise das imagens provenientes destes exames, sem o auxílio de alguma ferramenta computadorizada capaz de expressar medidas quantitativas em relação a regiões de interesse, depende totalmente da experiência do especialista aliada ao nível de percepção visual da atrofia (ARAUJO JR., 2003).
De acordo com Araújo Jr. (2003), outro fator que gera dificuldade no diagnóstico qualitativo é a lateralização da atrofia. A maioria das estruturas relacionadas às neuropatologias se encontra nos dois hemisférios cerebrais, ou seja, aos pares, sendo que a atrofia nessas estruturas pode ser de três tipos diferentes:
1. Unilateral - quando apenas uma das estruturas do par sofre variação de volume. Neste caso, a lateralização pode ser realizada através da comparação do volume da estrutura direita com o da estrutura esquerda;
2. Bilateral - quando a estrutura direita e a esquerda possuem uma variação proporcional de volume. Neste caso a análise visual é ainda mais difícil, já que a razão entre os volumes não é afetada;
3. Bilateral assimétrica – neste tipo de atrofia, as duas estruturas do par possuem variação de volume, porém de uma forma desproporcional. Deste modo, é possível que o especialista possa acreditar erroneamente que trata-se de atrofia unilateral.
A Fig. 4 ilustra a localização aproximada do par de hipocampos no cérebro humano.
Figura 4 – Localização aproximada dos hipocampos no cérebro humano
Fonte: <http://www.answers.com/topic/hippocampus>
2.5 Normalização dos Volumes das Estruturas
A normalização do volume das estruturas cerebrais significa expressar as medidas volumétricas em um percentual do volume supratentorial.
O volume supratentorial corresponde ao volume do cérebro inteiro, o que inclui todas as estruturas internas do mesmo, como os lobos, o hipocampo e a amígdala (ARAUJO JR., 2003). Na Fig. 5, uma imagem de RM mostrando a marcação do volume supratentorial em um de seus cortes.
Figura 5 – Volume supratentorial
Imagem de RM mostrando a marcação do volume supratentorial em um de seus cortes
Fonte: ARAUJO JR., 2003.
De acordo com a tese de Araujo Jr. (2003), existe uma relação linear entre cada estrutura interna do cérebro e o volume supratentorial, embora possam existir pequenas variações de acordo com fatores como o sexo, idade, características genéticas e histórico clínico do paciente. A tab. 1 comprova este fato mostrando os valores normalizados encontrados pelo autor, para algumas estruturas.
Utilizando-se uma análise quantitativa de volumes normalizados, é possível suprimir a variabilidade da população normal além de estabelecer parâmetros de normalidade universais (ARAUJO JR., 2003), o que facilita a identificação da neuropatologia e a caracterização do tipo de atrofia.
Tabela 1 – Volumes de estruturas cerebrais em porcentagem do volume supratentorial para 69 pacientes, 34 do sexo feminino e 35 do sexo masculino, com idades variando de 18 a 69 anos
Estrutura Mínimo Máximo Média
Polo Temporal Direito 3,85 5,84 5,10
Polo Temporal Esquerdo 3,41 6,38 5,27
Lobo Temporal Direito 13,70 18,82 16,35 Lobo Temporal Esquerdo 14,01 18,45 16,16
Amígdala Direita 0,36 0,82 0,51
Amígdala Esquerda 0,35 0,85 0,50
Hipocampo Direito 0,78 1,14 0,91
Hipocampo Esquerdo 0,76 1,10 0,90
3 Processamento Digital de Imagens
O processamento digital de imagens é uma área da ciência da computação que tem por finalidade a aplicação de técnicas computacionais em imagens a fim de extrair informações relevantes ou realizar processamentos de forma a melhorar a interpretação humana dos dados exibidos (GONZALEZ; WOODS, 2002).
Na área médica, as aplicações envolvendo processamento digital de imagens vêm desde o início da década de 70 e ainda continuam em evolução. Trata-se de uma das mais importantes ferramentas na análise diagnóstica moderna. Através de suas técnicas é possível extrair informações quantitativas em relação a exames por imagens, além de melhorar a interpretação visual dos mesmos.
Neste capítulo serão abordados os fundamentos e técnicas de processamento digital de imagens relevantes para o desenvolvimento deste trabalho.
3.1 Imagem Digital
O fundamento básico no processamento digital de imagens é o conceito de imagem digital. Para Gonzalez e Woods (2002), o termo imagem refere-se a uma função de intensidade luminosa bidimensional, denotada por f(x, y), em que o valor ou amplitude de f nas coordenadas espaciais (x, y) dá a intensidade (brilho) da imagem naquele ponto.
De forma geral, os sensores de imagens fornecem um sinal analógico correspondente à amostragem seqüencial da imagem. Sabendo-se que as técnicas de processamento de imagens são realizadas de forma numérica,
normalmente em um computador, a discretização do sinal analógico torna-se necessária (FACON, 2005).
A digitalização das coordenadas espaciais (x, y) é denominada
amostragem da imagem. Trata-se de um processo de transformação de uma
imagem contínua em uma matriz de pontos de tamanho finito. Já a digitalização da amplitude é chamada quantização em níveis de cinza e representa a conversão de um valor contínuo de intensidade de luz de uma determinada região do objeto para um valor discreto dentro de uma escala finita de níveis de cinza (GONZALEZ; WOODS, 2002). A Fig. 6 demonstra ilustradamente esses dois processos.
Figura 6 – Digitalização de imagem
Em (a), uma imagem contínua projetada em um sensor matricial; em (b), o resultado da digitalização.
Fonte: GONZALEZ; WOODS, 2002.
A imagem digital é, portanto, o resultado da transformação da função matemática contínua f(x, y) em uma outra função F(x, y) cujos valores são discretos e constituem um nível de cinza contido no intervalo [0, M], onde 0 é o nível mínimo (representando, por convenção, a cor preta) e M é o nível máximo (representando, por convenção, a cor branca). Desta forma, a imagem pode ser entendida como uma matriz D1 X D2, onde D1 é a sua dimensão em x e D2 sua dimensão em y. Cada elemento dessa matriz é conhecido por pixel, que é uma abreviatura para “picture element” (GONZALEZ; WOODS, 2002; FACON, 2005).
De forma semelhante, imagens que possuem três dimensões de amostragem, como as imagens médicas, podem ser entendidas como uma
função discreta F(x, y, z), com valores também entre [0, M], ou como uma matriz de dimensões D1 X D2 X D3, onde cada elemento é conhecido por voxel, que designa um pixel de três dimensões. A Fig. 7 ilustra a caracterização de um voxel em uma imagem tridimensional.
Figura 7 – Caracterização de um voxel em uma imagem tridimensional
Fonte: OLIVEIRA, M., 2002.
Uma característica importante do processo de amostragem é a influência do número de pontos por área na matriz de representação da imagem. Quanto menor for o número de pontos, mais distante das formas originais do objeto a imagem digital se tornará e menor será o número de bits necessário para armazená-la. A Fig. 8 demonstra essa característica.
De forma semelhante, no processo de quantização, quanto menor for o número de níveis de cinza para representar a imagem, menos bits serão necessários para armazenar o valor de um nível de cinza e mais distante da luminosidade original a imagem digital estará. A Fig. 9 ilustra essa questão.
Além disso, a quantização de níveis de cinza de uma imagem ainda pode ser relacionada com a freqüência com que cada valor do intervalo [0, M] ocorre na imagem, formando uma função conhecida por histograma da imagem, o qual é representado por um gráfico que o número de pixels associado a cada nível de cinza da imagem (GONZALEZ; WOODS, 2002).
Diversas técnicas de processamento digital de imagens são desempenhadas através da manipulação do histograma de uma imagem, dentre elas a segmentação de imagens por limiarização. Na Fig. 10, um exemplo de uma imagem e seu respectivo histograma.
Figura 8 – Diferentes amostragens de uma imagem digital Em (a), uma imagem amostrada com 1024 X 1024 pontos; em (b), a mesma imagem amostrada com 512 X 512 pontos; em (c), 256 X 256; em (d), 128 X 128; em (e), 64 X 64; e finalmente em (f), 32 X32 pontos.
Fonte: GONZALEZ; WOODS, 2002.
Figura 9 – Diferentes quantizações de uma imagem digital Em (a), imagem com quantização de 16 níveis de cinza; em (b), a mesma imagem, quantizada em 8 níveis; em (c), 4 níveis; em (d), 2 níveis de cinza.
Fonte: GONZALEZ; WOODS, 2002.
(a) (b) (c)
(d) (e) (f)
(a) (b)
Figura 10 – Exemplo de uma imagem e seu respectivo histograma
Fonte: FACON, 2005.
3.2 Segmentação de Imagens
Segundo Gonzalez e Woods (2002), a segmentação de imagens é um conjunto de técnicas que visa subdividir uma imagem em suas partes ou objetos constituintes e o nível até o qual essa subdivisão deve ocorrer depende do problema a ser resolvido.
Para Facon (2005), o processo de segmentação tem como objetivo obter um conjunto de primitivas ou segmentos significativos que contém a informação semântica relativa à imagem de origem.
Jan (2006) ressalta a importância da segmentação de imagens na área médica, no intuito de identificar, analisar e obter informações sobre objetos na imagem, que podem tratar-se de órgãos, ossos, tecidos ou lesões. Além disso, Yoo (2004) inclui a segmentação como uma das tarefas fundamentais no processamento de imagens médicas.
Contudo, a segmentação autônoma é uma das tarefas mais difíceis em processamento de imagens e determina o eventual sucesso ou fracasso na análise de uma imagem (GONZALEZ; WOODS, 2002).
Os métodos de segmentação autônoma são baseados em propriedades da intensidade dos pixels da imagem. São encontradas na literatura diversas classificações para esses métodos com pequenas variações entre si. Entretanto, a maioria está próxima da abordagem adotada por Gonzalez e Woods (2002), a qual agrupa os métodos de segmentação em três categorias básicas:
• Limiarização (Thresholding);
• Segmentação baseada em regiões (ou similaridade).
3.2.1 Limiarização (Thresholding)
A limiarização é o método mais simples e intuitivo de segmentação de imagens. Basicamente, todos os pixels que estão dentro de uma faixa de intensidade são classificados como pertencentes a uma mesma região.
De acordo com Gonzalez e Woods (2002), a limiarização gera uma imagem binarizada, onde, dado um valor T de nível de cinza como limiar, todos os pixels que tiverem o valor maior ou igual ao limiar passam a ter o maior nível de cinza (cor branca), enquanto que os demais passam a ter o menor nível de cinza (cor preta).
Desta forma, uma imagem limiarizada pode ser entendida como uma função g(x, y) definida como:
Em relação ao histograma da imagem que sofre o processo de limiarização, pode-se observar que toda a distribuição de freqüências de níveis de cinza à esquerda do valor de intensidade do limiar incluindo as freqüências neste valor, passam a se concentrar no nível mínimo do gráfico. No caso das freqüências à direita do limiar, estas passam a se concentrar no nível máximo, formando um histograma com apenas duas ocorrências de intensidade para todos os pontos da imagem.
Este método possui a desvantagem de ser sensível ao ruído e não leva em consideração informações espaciais ou conhecimento a priori. Em geral, a limiarização é utilizada como um primeiro passo para a segmentação dentro de um processo maior. Porém, em diversos casos, onde se quer apenas separa um objeto de destaque do “fundo” da imagem, a limiarização é a solução mais simples (FACON, 2005). Na Fig. 11, um exemplo de limiarização.
Figura 11 – Exemplo de limiarização para extração de fundo Em (a), a imagem original, com quantização de 256 níveis de cinza. Em (b), o seu histograma mostrando em vermelho o nível 150. Em (c), a imagem binarizada pelo limiar de 150. Em (d), o resultado da limiarização do histograma.
Fonte: FACON, 2005.
3.2.2 Segmentação baseada em bordas
Segundo Milsztajn (2003), Os métodos de segmentação baseados na detecção de bordas envolvem a localização de regiões da imagem onde a variação dos tons de cinza ocorre de maneira relativamente abrupta. As descontinuidades, como são chamadas, podem ocorrer na forma de pontos isolados, linhas, segmentos ou curvas e, a partir delas, são formados os contornos, ou bordas dos objetos contidos na imagem. No entanto, Gonzalez e Woods (2002) afirmam que, em geral, o sinal referente a uma borda é formado por uma transição gradual de níveis de cinza, em vez de uma mudança abrupta, devido ao efeito gerado pela amostragem.
As descontinuidades são detectadas por meio da aplicação de um operador de derivação local. Considerando a imagem digital como uma função de duas variáveis x e y, pode-se partir da análise da primeira derivada desta função podemos encontrar as transições, visto que, para as regiões da imagem onde o valor de intensidade dos pixels é constante, a derivada será zero e, para as descontinuidades, a derivada deverá assumir um valor positivo (quando os níveis
(b) (a)
de cinza são crescentes) ou negativo (quando os níveis de cinza são decrescentes). O valor da segunda derivada pode ser utilizado para se distinguir em que sentido está ocorrendo a variação, que pode ser do claro para o escuro ou o contrário, além de determinar os pontos da borda que pertencem ao lado escuro ou ao lado claro (GONZALEZ; WOODS, 2002). O comportamento do operador de derivação local pode ser visto na Fig. 12.
Figura 12 – Comportamento do operador de derivação local À esquerda, a representação de uma borda clara em um fundo escuro; à direita, uma borda escura em um fundo claro. Fonte: MILSZTAJN, 2003.
Os algoritmos de segmentação baseados em bordas geralmente utilizam-se de mecanismos capazes de interligar os utilizam-segmentos obtidos na fautilizam-se inicial de detecção. O objetivo é produzir formas e curvas significativas, de modo que, por meio destas, seja possível o estudo das características geométricas dos objetos (GONZALEZ; WOODS, 2002).
ruído encontrado na imagem pode, muitas vezes, conduzir o algoritmo à produção de curvas desconexas e não significativas, impossibilitando a conexão dos pontos (MILSZTAJN, 2003). Na Fig. 13, exemplo do resultado da segmentação por detecção de bordas em uma imagem de TC.
Figura 13 – Exemplo de segmentação por detecção de bordas À esquerda, uma imagem de TC; à direita, a imagem segmentada.
Fonte: JAN, 2006.
3.2.3 Segmentação baseada em regiões
O objetivo da segmentação de imagens é, basicamente, definir regiões de interesse que formam objetos independentes dentro da imagem. Enquanto os métodos de limiarização e os baseados em bordas resolvem este problema encontrado diferenças nas tonalidades dos pixels ou conjunto de pixels, os métodos baseados em regiões abordam a procura de similaridade entre eles.
As técnicas mais conhecidas desta categoria são denominadas crescimento de região (region gowing) e divisão e fusão (split and merge).
3.2.3.1 Crescimento de Região (region growing)
Este método tem como objetivo expandir pequenos grupos de pixels em regiões maiores. A partir de um conjunto inicial de pontos (também chamados de sementes), agregam-se a cada um deles novos pixels vizinhos que contenham
propriedades similares, tais como cor, textura ou nível de cinza.
Um critério simples de agregação para novos pixels é o módulo da diferença entre os tons de cinza dos pixels em questão, ou seja, se este valor for menor que um determinado limiar, então o novo pixel é agregado à região (JAN, 2006).
Embora este método de segmentação seja bem simples, existem dois problemas. O primeiro problema consiste na seleção adequada de sementes que representem as regiões de interesse. O segundo diz respeito ao tipo da agregação que melhor se adapta à imagem que está sendo utilizada. O primeiro problema está freqüentemente associado à natureza da imagem. Por exemplo, em uma aplicação que utilize imagens geradas por dispositivos infravermelhos é comum que os objetos de interesse sejam mais reluzentes do que os demais. Sendo assim, o conjunto de sementes seria um conjunto de pixels cuja tonalidade esteja próxima da cor branca (MILSZTAJN, 2003).
A seleção do critério de agregação a se utilizar diz respeito não somente ao problema em questão, mas também ao tipo de imagem disponível. Por exemplo, a análise de fotografias obtidas por satélites pode tirar grande proveito da utilização de cores (MILSZTAJN, 2003).
3.2.3.2 Divisão e fusão (slipt and merge)
Este método é uma alternativa de segmentação baseada em regiões que não utiliza um conjunto inicial de pontos (sementes) para a resolução do problema. Ele consiste na execução de duas operações: a divisão e a fusão (GONZALEZ; WOODS, 2002).
No esquema de divisão e fusão, a imagem original é dividida recursivamente a partir do seu todo, e as novas partições criadas podem ser ocasionalmente fundidas. O método atua em torno de uma proposição pré-estabelecida. Uma região é dividida em quatro novas regiões (quadrantes) se, e somente se a proposição for falsa e, por outro lado, duas regiões são fundidas quando a posição for verdadeira.
Por exemplo, a proposição P(R) pode ser verdadeira quando todos os pixels de R tiverem intensidades iguais, ou, de maneira mais flexível, quando a variância entre as intensidades desses pixels estiver abaixo de um limite
pré-estabelecido.
3.3 Processamento de Imagens Médicas
A partir da década de 70, com o advento da tomografia computadorizada (TC), os computadores passaram a ser mais extensivamente utilizados para o trabalho com imagens médicas. Segundo Gonzalez & Woods (2002), a invenção TC foi um dos mais importantes eventos na aplicação de processamento de imagens em diagnóstico médico. Ainda nessa época, os procedimentos computacionais já eram utilizados no tratamento e melhoria da visualização de imagens diagnósticas, de modo a facilitar a interpretação de imagens de raios X e outros tipos de imagens em biologia e medicina.
Desde então, a ciência da computação vem assumindo uma importância cada vez maior para a medicina, pela aplicação de técnicas de computação gráfica e processamento de imagens digitais no tratamento de diversas modalidades de imagens geradas por exames médicos, no intuito de proporcionar melhores ferramentas de auxílio ao diagnóstico (OLIVEIRA, K., 1999).
O propósito fundamental da utilização de imagens médicas é a análise não invasiva de órgãos e tecidos do corpo humano para a verificação de possíveis anormalidades na anatomia ou metabolismo do paciente, a fim de prestar um diagnóstico de maneira facilitada (OLIVEIRA, K., 1999).
Yoo (2004) classifica o processamento de imagens médicas em três categorias básicas de tratamento:
• Filtragem: conjunto de técnicas utilizadas para a remoção de características indesejadas e realce da imagem antes de ser analisada pelo especialista.
• Segmentação: conjunto de técnicas utilizadas para o particionamento da imagem em regiões de interesse com o objetivo de identificar estruturas, órgãos ou partes de órgãos nas quais se tenha algum interesse avaliativo.
• Registro: conjunto de técnicas utilizadas para o registro (alinhamento) de imagens a fim de fundir e/ou comparar imagens através de sua sobreposição.
presente trabalho é aquela constituída das imagens que representam o cérebro humano e seus elementos, conhecidas por neuroimagens. Já a categoria de processamento abordada é a segmentação de imagens.
4 Volumetria de Estruturas Cerebrais em Neuroimagem
A volumetria de estruturas cerebrais em neuroimagem constitui uma importante ferramenta para o auxílio ao diagnóstico de neuropatologias, pois visa agregar uma medida quantitativa à análise clínica.
Através dela, é possível obter um ganho na precisão diagnóstica em vários casos delicados, como as atrofias bilaterais assimétricas e a diferenciação entre doenças com características volumétricas próximas.
Com o avanço nos métodos de neuroimagem, especialmente com o surgimento da TC e da RM, a volumetria passou a ser amplamente utilizada e está relacionada a diversos estudos sobre descobertas estruturais em relação a muitas neuropatologias (ARAUJO JR., 2003).
Este capítulo tratará das principais características e métodos de neuroimagem e das técnicas de volumetria de estruturas cerebrais.
4.1 Neuroimagem
Até a década de 70, a visualização de desordens patológicas cerebrais em pacientes neurológicos era limitada à Radiografia e Pneumoencefalografia. Estes tipos de exames, embora fossem de baixo custo e de fácil obtenção, forneciam apenas evidências indiretas das anormalidades, possuindo baixa especificidade e sensibilidade no diagnóstico (OLIVEIRA, M., 2002).
Segundo Kuzniecky (1995 apud OLIVEIRA, M., 2002), a partir da década de 70 houve grande aumento na capacidade de avaliação dos pacientes portadores de neuropatologias. Isso ocorreu graças ao desenvolvimento de técnicas de captação de imagens cerebrais, tanto no aspecto anatômico, com a Ressonância Magnética (RM) e a Tomografia Computadorizada (TC), quanto no
aspecto funcional, com as imagens de medicina nuclear. Desta forma, como explica Oliveira, M. (2002), é possível examinar rotineiramente o cérebro de um paciente com neuropatologias sem riscos e com sensibilidade diagnóstica não inferior à inspeção anatômica invasiva.
Sendo assim, podemos classificar as modalidades da neuroimagem em duas categorias: imagens anatômicas e imagens funcionais.
4.1.1 Imagens Anatômicas
A classe de imagens anatômicas lida com aspecto estrutural do cérebro, permitindo a visualização de tecidos, órgãos, estruturas internas do cérebro, como a massa branca e a massa cinzenta, e também de enfermidades intracranianas, como tumores. Yoo (2004) destaca a RM e a TC como os principais tipos de imagens desta categoria.
4.1.1.1 Tomografia Computadorizada (TC)
O princípio básico da aquisição de imagens por TC é descrito por (YOO, 2004) da seguinte forma: fótons de raio-X são projetados sobre o paciente e, ao atravessarem o seu corpo, são lidos e quantificados por um conjunto de detectores posicionados do lado oposto de sua origem. Os detectores e a fonte giram em torno do paciente obtendo várias projeções em diferentes ângulos. Por fim, um computador aplica algoritmos de reconstrução sobre os dados obtidos para realizar a formação da imagem.
Assim, o exame de TC gera imagens anatômicas multi-frames que, segundo Costa (1998 apud OLIVEIRA, M., 2002), são adequadas para a visualização de anormalidades como atrofias, tumores, grandes neoplasias primárias intracranianas e calcificações associadas e lesões epileptogênicas.
A TC ainda permanece como o método mais usado em muitas regiões do mundo onde não há equipamentos de RM devido ao seu custo elevado (RODRIGUES, 2002). No entanto, Kuzniecky (1995 apud OLIVEIRA, M., 2002), observa que as imagens por TC têm poucas vantagens sobre as de RM. O tempo para obtenção da TC e de somente 5 a 10 minutos para imagens reconstruídas no plano axial. Deste modo, a TC é o método de investigação escolhido em pacientes com crises agudas, nos quais se suspeita de uma lesão que coloca a
vida em risco, sendo necessário o diagnóstico rápido.
Uma das maiores desvantagens desse tipo de imagem anatômica são os problemas associados com a visualização inadequada dos lobos temporais devido aos artefatos ósseos da fossa média, exposição do paciente à radiação durante o exame, dificuldade para obtenção de imagens multiplanares e reações ao agente contrastante. Ainda assim, a TC justifica-se na análise de situações onde estão presentes lesões ósseas ou anormalidades intra-cranianas calcificadas (RODRIGUES, 2002).
4.1.1.2 Ressonância Magnética (RM)
O exame de RM provê informações não-invasivas sobre a anatomia do cérebro, apresentando alta resolução espacial, alto nível de contraste, diferenciação entre massa cinzenta e branca e dispensando o uso de agentes de contraste externo (radiação ionizante) (DAVIS, 2003).
Yoo (2004) descreve o princípio básico da aquisição de imagens por RM da seguinte maneira: campos magnéticos de alta intensidade, gerados por magnetos contidos no aparelho, são alinhados com prótons de hidrogênio, presentes no corpo do paciente. A seguir, um sinal de radiofreqüência é emitido dentro do campo magnético para que ele alterne até uma freqüência de ressonância adequada, forçando os prótons a se comportarem de uma maneira desalinhada. Com isso, os prótons absorvem energia do campo magnético e a liberam toda vez em que o sinal de radiofreqüência é interrompido.
A ressonância magnética é atualmente a técnica de neuroimagem mais importante para avaliação de neuropatologias relacionadas à variação de volume das estruturas cerebrais, dada a sua alta definição espacial, alto nível de contraste, capacidade de representação de tecidos moles e estruturas complexas do cérebro (SUSAN et al., 1998).
A superioridade deste tipo de imagem em relação à TC é bem estabelecida. Suas vantagens incluem dados anatômicos multiplanares excelentes, sem artefatos ósseos e a ausência de radiação ionizante (SUSAN et al., 1998).
A RM permite a obtenção das imagens nos planos sagital, coronal e axial, como é mostrado na Figura 14. Cada plano pode conter, em geral, de 1 a 200
frames bidimensionais (RODRIGUES, 2002).
Figura 14 – Imagem de RM nos três eixos de orientação Em (a), o eixo axial; em (b), o eixo coronal; em (c), o eixo sagital.
Fonte: OLIVEIRA, M., 2002.
4.1.2 Imagens Funcionais
As imagens funcionais são utilizadas para diagnosticar alterações metabólicas, a fim de avaliar disfunções em relação ao fluxo de sangue no cérebro e o seu funcionamento. A área médica dedicada à geração, tratamento e análise de imagens funcionais é denominada medicina nuclear.
Yoo (2004) destaca que as imagens de medicina nuclear possibilitam a avaliação funcional (fisiológica) dos órgãos. Além disso, ainda explica que esse tipo de imagem consiste na utilização de substâncias químicas radioativas, que se alojam no corpo do paciente para, em seguida, expele essa radiação, a qual é lida por uma câmara de cintilação.
Da mesma forma, Busatto (2000), afirma que as imagens funcionais, por fornecerem imagens dinâmicas do metabolismo cerebral regional, são as mais utilizadas para estabelecer relações entre a intensidade de sintomas mentais e as alterações do funcionamento cerebral.
Busatto (2000) ainda destaca que os principais métodos de aquisição de imagens funcionais, PET (positron emission tomography) e SPECT (single photon
emission computed tomography), permitem a construção de mapas
tridimensionais da atividade cerebral a partir da detecção de raios-gama emitidos por traçadores marcados com isótopos radioativos. Os traçadores mais usados, por via venosa, são os que medem o fluxo sangüíneo cerebral regional ou o metabolismo de glicose, ambos representando fielmente o funcionamento cerebral regional. Na Figura 15, uma imagem de SPECT nos planos axial, coronal e sagital.
Figura 15 – Imagem de SPECT nos três eixos de orientação Em (a), o eixo axial; em (b), o eixo coronal; em (c), o eixo sagital.
Fonte: OLIVEIRA, L., 2005.
4.2 Formatos Digitais de Imagens Médicas
Existem diversos formatos de imagens digitais capazes de representar dados de imagens médicas, dentre eles os convencionais, para imagens em duas dimensões, e os especializados para imagens em três dimensões.
Dentre os formatos convencionais de imagens digitais mais comumente encontrados na representação de dados médicos estão o JPG, PNG, RAW, entre outros. Com esse tipo de arquivo, no entanto, é possível mostrar apenas uma fatia do volume total avaliado em um exame por arquivo. Além disso, por se tratarem de formatos genéricos, não possuem informações associadas ao paciente examinado e ao exame propriamente dito.
Já os formatos especializados, além de serem capazes de representa o volume completo da imagem gerada por um exame, normalmente também possuem dados sobre o paciente e o seu exame, por isso, são considerados os mais adequados para o auxílio ao diagnóstico. Dentre esses formatos estão os formatos proprietários, encontrados em muitos dos equipamentos de exames por
(b)
imagem, e os formatos abertos, como o Analyze e o DICOM.
Dada a existência de diferentes formatos especializados e levando-se em consideração o fato de que normalmente os formatos proprietários não são compatíveis em aparelhos de diferentes fabricantes, surgiu a necessidade de uma padronização para o armazenamento e transporte de dados médicos. Com isso, embora muitos dos novos equipamentos possuam compatibilidade com os formatos abertos, uma padronização ainda não está totalmente consolidada. Desta forma, os formatos que mais facilmente podem ser encontrados com compatibilidade com tais aparelhos são os formatos Analyze e/ou DICOM.
4.2.1 Analyze
O formato Analyze, que hoje encontra-se na versão 7.5, é um padrão de armazenamento de imagens digitais produzido pelo grupo Biomedical Resource e pela Mayo Foundation. É um formato aberto e amplamente utilizado, tanto no campo da neuroimagem anatômica, isto é, dados gerados por aparelhos de TC e RM, quanto no campo da medicina nuclear (MAYO, 2007).
Uma instância desse formato é capaz de armazenar dados de uma imagem multi-frame através de dois arquivos:
• Um arquivo de cabeçalho (de sufixo “.hdr”). • Um arquivo de imagem (de sufixo “.img”).
O conteúdo do arquivo de imagem é bastante simples, sendo formado, normalmente, de uma seqüência de valores de intensidade (níveis de cinza), um para cada ponto da imagem. Estes valores podem estar em um de diversos tipos de dados diferentes, de acordo com o número de bytes usado para a quantização da imagem (MAYO, 2007). As imagens RM, em geral, são quantizadas em 8 ou 16 bits.
No arquivo de cabeçalho são encontradas informações a respeito dos dados contidos no arquivo de imagem, e como eles devem ser interpretados. A estrutura geral desse arquivo, como descrito em Mayo (2007), pode ser dividida em duas estruturas fundamentais:
1. Chave do cabeçalho: possui informações sobre o próprio arquivo de cabeçalho, como o seu tamanho em bytes e outras informações de controle de baixo nível.
2. Dimensões da imagem: descreve as características geométricas da imagem contida no arquivo de imagem, como por exemplo, o tipo de dado usado para quantizar a intensidade de cada ponto da imagem, sua resolução espacial e o tamanho do ponto em milímetros para cada uma das três dimensões.
Contudo, o formato do arquivo de cabeçalho é flexível e pode ser facilmente estendido para que novos tipos de dados possam ser suportados pelo padrão Analyze, desde que as estruturas essenciais sejam mantidas (MAYO, 2007). Neste sentido, Milsztajn (2003), ressalta que além das informações da imagem, também é possível a inclusão de dados sobre o paciente examinado no arquivo de cabeçalho Analyze.
4.2.2 DICOM
O formato DICOM (Digital Imaging and Communications in Medicine) é um padrão para armazenamento e comunicação de imagens médicas e informações associadas. Assim como no formato Analyze, ele pode ser utilizado por diversas modalidades de equipamentos, como, por exemplo, TC, RM e aparelhos de medicina nuclear (NEMA, 2007).
Este padrão foi desenvolvido por um comitê de trabalho formado por membros das instituições ACR (American College of Radiology) e NEMA (National Eletrical Manufactures Association) que iniciou os trabalhos em 1983. A primeira versão do padrão, chamada de ACR-NEMA 300-1985, foi apresentada em 1985 (NEMA, 2007).
Com o objetivo de estabelecer não só um padrão para o formato de dados de imagem gerados por equipamentos de diferentes fabricantes, mas também, definir uma interface que possibilitasse a comunicação entre equipamentos através de redes. Assim, na versão 2.0 foi incluída a comunicação ponto-a-ponto entre os aparelhos, mas não a conexão direta em uma rede. Para suprir essa necessidade e corrigir algumas inconsistências da versão anterior, surgiu então, no ano de 1993, a versão atual, denominada DICOM 3.0 (NEMA, 2007).
Além disso, o DICOM também busca a padronização das informações do paciente examinado, relatórios, estudos, dentre outros dados relevantes à análise clínica.
Um arquivo DICOM é composto de um cabeçalho contendo um conjunto de tags de informações da imagem e informações associadas ao paciente e ao exame e uma seqüência de bits representando os valores de intensidade para cada ponto da imagem. O padrão representa os dados volumétricos de uma imagem multi-frames de duas formas: através de um único arquivo contendo todo o volume ou através de uma série de imagens representando, cada uma, uma fatia do volume total.
4.3 Volumetria
A volumetria de estruturas cerebrais é um método quantitativo para o auxílio ao diagnóstico das neuropatologias relacionadas ao volume dessas estruturas. Segundo Araujo Jr. (2003), a utilização da volumetria em conjunto com a análise visual do especialista vem sendo cada vez mais utilizada, tanto na análise clínica de pacientes quanto em trabalhos científicos relacionados às neuropatologias.
As imagens de RM apresentam características que as tornam a modalidade de neuroimagens mais adequada à medida quantitativa dos volumes das estruturas cerebrais. Dentre essas características estão a alta definição espacial e o alto contraste, gerando imagens anatômicas de alto nível de detalhamento e adquiridas em planos ortogonais, permitindo o estudo das estruturas tridimensionalmente (ARAUJO JR., 2003).
O desenvolvimento da ciência da computação e, mais especificamente, das técnicas de processamento de imagens e computação gráfica associados ao desenvolvimento da RM, permitiu a descoberta de diversas características volumétricas das neuropatologias através das técnicas de volumetria.
4.3.1 Indicações da Volumetria
A volumetria é utilizada para aumentar a precisão do diagnóstico de neuropatologias através da quantificação de variações de volume nas estruturas cerebrais, especialmente em casos onde a atrofia é sensível e, por conseqüência, de difícil análise visual. Além disso, através da análise volumétrica progressiva é possível traçar estatísticas relacionadas às variações de volume das estruturas
cerebrais de um paciente ao logo do tempo.
Nos casos de atrofia unilateral, a volumetria é capaz de fornecer uma medida muito próxima da exatidão para o cálculo da razão entre estruturas. De forma semelhante, nos casos de atrofia bilateral, a volumetria associada à normalização dos volumes das estruturas, como descrito na sessão 2.5, pode identificar e quantificar a atrofia através da comparação dos valores normalizados do paciente com exames anteriores e/ou com valores de controle para a população normal. Ambos os procedimentos descritos são utilizados nos casos de atrofia bilateral assimétrica.
Há ainda determinados casos onde somente a análise através de volumetria é capaz de garantir um diagnóstico seguro. Tratam-se de casos onde os sintomas fisiológicos são comuns a mais de uma patologia e o processo atrófico ocorre de forma sutil. É o caso da diferenciação entre o mal de Parkinson e a atrofia múltipla do sistema e os estágios iniciais do mal de Alzheimeir e o declínio cognitivo causado por um envelhecimento normal, como visto nas sessões 2.4 e 2.3 respectivamente.
4.3.2 Métodos de Volumetria
De acordo com Araújo Jr. (2003), os métodos para a realização da volumetria variam conforme os recursos disponíveis nas instituições e a experiência dos examinadores. No entanto, algumas diretrizes devem ser observadas, tendo em vista a consistência e a confiabilidade do método.
A segmentação das estruturas de interesse é o primeiro passo e normalmente pode ser realizada de duas maneiras diferentes: através de algoritmos de segmentação automática e através de segmentação manual.
Após a segmentação das estruturas, o cálculo dos volumes é realizado através da contagem de pontos (voxels) que constituem cada estrutura segmentada. A partir daí, os próximos passos são a normalização dos volumes em função do volume supratentorial e a o cálculo da razão entre os volumes das estruturas.
